swipe.futo.org
קוד פתוחfuto-orgmit2025-03-11
נתוני מחוות החלקה להקלדה במובייל ממשתמשים אמיתיים. אם אתם מפתחים מנוע פענוח למקלדת וזקוקים למסלולי תנועה מול מילות מטרה, זה כנראה המאגר הפתוח והממוקד ביותר שתמצאו כרגע.
- 832הורדות בחודש
- 29לייקים
מה זה
המאגר מבוסס על משתמשים שנכנסו לאתר ייעודי מהטלפון והחליקו מילים מתוך משפטים שהוצגו להם. החלק המרכזי, שנקרא swipe-1, מכיל בערך מיליון החלקות שמבוססות על טקסטים מוויקיפדיה דרך הפרויקט של Mozilla Common Voice. בחלק הזה סיננו בערך 5% מההחלקות שנכשלו בבדיקות תקינות, והוא מחולק מראש לקובצי אימון, בדיקה ופיתוח.
ארבעת החלקים הנוספים קטנים משמעותית ונאספו בסבבים מאוחרים יותר כדי להשלים חוסרים מהסבב הראשון: 28,095 החלקות בחלק השני, 38,228 בשלישי, 50,300 ברביעי ו־59,247 בחמישי. החלקים האלה מגיעים כקובץ יחיד לכל סבב, ללא חלוקה מובנית לסטים. הנתונים בהם לא עברו שום סינון, כך שהם כוללים גם מחוות שגויות.
מתאים ל
- אימון מפענח הקלדה בהחלקה
לימוד מודלים לחיזוי המילה הנכונה מתוך מסלול תנועת האצבע על מקלדת QWERTY.
- הערכת ביצועי מקלדות
בדיקת דיוק של מנועי החלקה קיימים על סט הבדיקה המוגדר של swipe-1.
- מחקר על דפוסי תנועה במובייל
ניתוח האופן שבו אנשים אמיתיים מחליקים אותיות, שגיאות נפוצות וסטיות ממסלול אופטימלי.
איפה זה נופל
ההטיה כאן ברורה מאוד. המשתמשים יכלו לדלג על מילים קשות או לנסות שוב, ולכן יש משפטים שחסרות בהם מילים. בסבבים המאוחרים לא נעשה שום מאמץ שיווקי רחב, מה שיצר הטיית בחירה חזקה לטובת משתמשים טכנולוגיים או כאלה שכבר משתמשים במקלדת של FUTO. מעבר לזה, כל הנתונים באנגלית בלבד. מי שבונה מנוע החלקה בעברית יצטרך לחפש או לאסוף הכל לבד, כי המאגר הזה לא נותן שום מענה לאותיות בעברית.
שאלות
נפוצות
האם הדאטהסט רלוונטי להקלדה בעברית?
לא. כל הנתונים נאספו על משפטים באנגלית ועל פריסת מקלדת QWERTY בלבד. אי אפשר להשתמש בו ישירות לאימון מקלדת בעברית.
האם מותר להשתמש במידע הזה במוצר מסחרי?
כן. רישיון MIT מתיר שימוש מסחרי מלא, כולל שילוב המידע באימון של מודלים שמיועדים למוצרים סגורים.
איך המידע נאסף בפועל ממשתמשים?
אנשים נכנסו מרצונם לאתר דרך מכשירי מובייל והתבקשו להחליק מילים מתוך משפטים נתונים. הותר להם לנסות מילים שוב או לדלג עליהן אם הן היו מסובכות מדי.
למה החלקים swipe-2 עד swipe-5 מופרדים מהחלק הראשון?
החלק הראשון כולל כמיליון דגימות שעברו סינון ראשוני וחולקו מראש לסטים של אימון ובדיקה. ארבעת החלקים האחרים קטנים בהרבה, נאספו בנפרד ללא סינון נתונים, ומכילים קובץ אחד בלבד לכל סבב.
איך טוענים
הנתונים יושבים בקובצי jsonl פשוטים ישירות במאגר, ללא צורך בהרשאה מיוחדת או בטופסי גישה. בחלקים 2 עד 5 הנתונים גולמיים לחלוטין, ומי שרוצה לנקות החלקות לא תקינות צריך לסנן אותן בעצמו לפי עמודת המרחק (distance), תוך לקיחה בחשבון שזה עלול להעיף גם החלקות לגיטימיות. פריסת המקלדת מסוג QWERTY זמינה בקובץ json בתוך התיקייה של הסבב החמישי.
from datasets import load_dataset
ds = load_dataset("futo-org/swipe.futo.org")הרישיון
המאגר מופץ תחת רישיון MIT. מותר להשתמש בו לצרכים מסחריים ופרטיים, לשנות אותו ולאמן עליו מודלים חופשיים או קנייניים, כל עוד שומרים על הודעת זכויות היוצרים המקורית של הרישיון.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש